CN112861920A - 一种棕榈油加热时间预测系统及方法 - Google Patents
一种棕榈油加热时间预测系统及方法 Download PDFInfo
- Publication number
- CN112861920A CN112861920A CN202110052010.XA CN202110052010A CN112861920A CN 112861920 A CN112861920 A CN 112861920A CN 202110052010 A CN202110052010 A CN 202110052010A CN 112861920 A CN112861920 A CN 112861920A
- Authority
- CN
- China
- Prior art keywords
- palm oil
- color
- heating time
- color difference
- time prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 235000019482 Palm oil Nutrition 0.000 title claims abstract description 119
- 239000002540 palm oil Substances 0.000 title claims abstract description 119
- 238000010438 heat treatment Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 2
- 239000003921 oil Substances 0.000 abstract description 14
- 235000019198 oils Nutrition 0.000 abstract description 14
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000008157 edible vegetable oil Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 239000010773 plant oil Substances 0.000 description 2
- 235000010692 trans-unsaturated fatty acids Nutrition 0.000 description 2
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 2
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 102000015779 HDL Lipoproteins Human genes 0.000 description 1
- 108010010234 HDL Lipoproteins Proteins 0.000 description 1
- 206010019842 Hepatomegaly Diseases 0.000 description 1
- 102000007330 LDL Lipoproteins Human genes 0.000 description 1
- 108010007622 LDL Lipoproteins Proteins 0.000 description 1
- 235000019484 Rapeseed oil Nutrition 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 125000002915 carbonyl group Chemical group [*:2]C([*:1])=O 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 235000004626 essential fatty acids Nutrition 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000171 higher toxicity Toxicity 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021281 monounsaturated fatty acids Nutrition 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 235000020777 polyunsaturated fatty acids Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 235000012424 soybean oil Nutrition 0.000 description 1
- 239000003549 soybean oil Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 150000003626 triacylglycerols Chemical class 0.000 description 1
- 239000008158 vegetable oil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种棕榈油加热时间预测方法，其包括如下步骤：计算棕榈油颜色与标准色之间的色差；根据色差预测棕榈油的加热时间。本发明只需要采集棕榈油图像并根据图像计算棕榈油颜色与标准色的色差，即可以快速预测出棕榈油的加热时间，进而为棕榈油品质检测提供参考，其解决了传统的棕榈油油品检测因需要消耗大量有机试剂来检测油品的具体成分而存在操作时间较长的问题，提高了油品检测效率。相应地，本发明还提供一种棕榈油加热时间预测系统。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种棕榈油加热时间预测系统及方法。
背景技术
食用植物油主要成分为不饱和脂肪酸，根据双键个数的不同，分为单不饱和脂肪酸与多不饱和脂肪酸。使用过的食用植物油中的不饱和脂肪酸会因反复高温加热而发生结构上的变化，即由顺式脂肪酸转化成反式脂肪酸。食用过多的反式脂肪酸能使人体内的低密度脂蛋白增加，高密度脂蛋白降低，易引起血液中甘油三酯升高，这对健康是非常不利的。同时，脂肪经过反复加热，必需脂肪酸受破坏，产生很多脂肪酸聚合物，从而使油的黏度增高。这样的油，不仅营养价值降低，而且毒性增加，经常食用会导致肝肿大，损害肝功能，甚至有致癌的危险性。
棕榈油是一种热带木本植物油，是目前世界上生产量、消费量和国际贸易量最大的植物油品种，与大豆油、菜籽油并称为“世界三大植物油”，拥有超过五千年的食用历史。通过大量的研究分析可以发现，棕榈油的颜色与高温加热时间呈较强的线性关系。即是说，通过检测棕榈油颜色可以预测其高温加热时间，为棕榈油品质检测提供参考。
而传统的棕榈油油品检测使用比色法、碘亮法或滴定法来检测油品种的酸价、羰基价以及极性成分，其需要消耗大量有机试剂来检测油品的具体成分，其操作时间较长，有待改进。
发明内容
基于此，为了解决传统的棕榈油油品检测因需要消耗大量有机试剂来检测油品的具体成分而存在操作时间较长的问题，本发明提供了一种棕榈油加热时间预测系统及方法，其具体技术方案如下：
一种棕榈油加热时间预测系统，其特征在于，包括：
色差计算模型，用于计算棕榈油颜色与标准色的色差；
加热时间预测模型，用于根据所述色差预测所述棕榈油的加热时间。
由于棕榈油颜色与标准色之间的色差与棕榈油加热时间呈较强的线性关系，故而所述时间预测模块根据棕榈油颜色与标准色之间的色差可预测所述棕榈油的加热时间。上述棕榈油加热时间预测系统只需要采集棕榈油图像并根据图像计算棕榈油颜色与标准色的色差，即可以快速预测出棕榈油的加热时间，进而为棕榈油品质检测提供参考，其解决了传统的棕榈油油品检测因需要消耗大量有机试剂来检测油品的具体成分而存在操作时间较长的问题，提高了油品检测效率。
进一步地，还包括目标检测模型，所述目标检测模型用于对存储在容器中的所述棕榈油进行目标定位。
进一步地，所述加热时间预测模型为BP神经网络，所述BP神经网络的输入为所述色差，所述BP神经网络的输出为所述棕榈油的加热时间。
进一步地，所述目标检测模型为YOLOv3神经网络。
进一步地，所述标准色为所述棕榈油未加热时的颜色。
进一步地，所述色差根据CIEDE2000色差公式计算而得。
相应地，本发明还提供一种棕榈油加热时间预测方法，其特征在于，包括如下步骤：
计算棕榈油颜色与标准色之间的色差；
根据所述色差预测所述棕榈油的加热时间。
进一步地，在计算棕榈油颜色与标准色的色差之前，先对存储在容器中的所述棕榈油进行目标定位。
进一步地，所述标准色为所述棕榈油未加热时的颜色，所述色差根据CIEDE2000色差公式计算而得。
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的棕榈油加热时间预测方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明一实施例中一种棕榈油加热时间预测方法的整体流程示意图；
图2是本发明一实施例中一种棕榈油加热时间预测系统中的棕榈油样本图像示意图；
图3是本发明一实施例中一种棕榈油加热时间预测系统对棕榈油样本图像的目标定位示意图；
图4是本发明一实施例中一种棕榈油加热时间预测系统中色差与加热时间的关系示意图；
图5是本发明一实施例中一种棕榈油加热时间预测系统中BP神经网络的训练集Loss曲线图；
图6是本发明一实施例中一种棕榈油加热时间预测系统中BP神经网络的训练集Acc曲线图；
图7是本发明一实施例中一种棕榈油加热时间预测系统的最终识别效果图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
本发明一实施例中的一种棕榈油加热时间预测系统，其包括色差计算模型以及加热时间预测模型：
所述色差计算模型用于计算棕榈油颜色与标准色的色差，所述加热时间预测模型用于根据所述色差预测所述棕榈油的加热时间。
通过将棕榈油颜色部分从RGB颜色模型转换到Lab颜色模型，提取不同加热时间棕榈油颜色的L、a、b的均值，以加热0h的棕榈油颜色作为标准色，将提取的L、a、b均值代入CIEDE2000色差公式可求得不同加热时间棕榈油颜色与标准色的色差。由图4可知，随着棕榈油加热时间的增加，所述色差与加热时间呈现较强的线性关系。
由于棕榈油颜色与标准色之间的色差与棕榈油加热时间呈较强的线性关系，故而所述时间预测模块根据棕榈油颜色与标准色之间的色差可预测所述棕榈油的加热时间。上述棕榈油加热时间预测系统只需要采集棕榈油图像并根据图像计算棕榈油颜色与标准色的色差，即可以快速预测出棕榈油的加热时间，进而为棕榈油品质检测提供参考，其解决了传统的棕榈油油品检测因需要消耗大量有机试剂来检测油品的具体成分而存在操作时间较长的问题，提高了油品检测效率。
在其中一个实施例中，还包括目标检测模型，所述目标检测模型用于对存储在容器中的所述棕榈油进行目标定位。
在其中一个实施例中，所述时间预测模型为BP神经网络，所述BP神经网络的输入为所述色差，所述BP神经网络的输出为所述棕榈油的加热时间。
在其中一个实施例中，所述BP神经网络共有6层，分别为输入层、4层隐藏层和输出层，输入层为所述色差，输出层为棕榈油的加热时间，隐藏层的神经元个数根据试验判定出最优值。为避免发生梯度爆炸和梯度消失问题，设置隐藏层的激活函数为relu函数，公式为fAx)＝max(0,x)#(3)。所述BP神经网络的Batch_size(批处理大小)为64，学习率为0.0001，Epoch(迭代次数)为20000，使用Adam优化器更新参数，损失函数(Loss)选择MSE。所述BP神经网络训练时记录每次迭代训练集的Loss和Acc，使用MSE，并训练集准确率、测试集准确率作为模型的评测指标。
在其中一个实施例中，所述目标检测模型为YOLOv3神经网络。与基于候选框的目标检测算法相比，YOLOv3神经网络取消了单独进行的候选框区域筛选步骤，改为一个阶段回归出目标的边界框和分类出类别信息，其能够达到更快的检测速度，进一步提高了油品检测效率。
另外，由于对棕榈油进行目标定位时容易参杂比色皿轮廓与背景，故而一般颜色识别算法在面对形状轮廓一致、颜色变化不明显的棕榈油难以回归出有效的时间信息。而YOLOv3神经网络使用卷积神经网络提取图像特征，相比一般的颜色识别算法，其更擅长进行不同形状轮廓物体间的识别。即是说，通过YOLOv3神经网络，可以更好地对存储在容器中的所述棕榈油进行目标定位。
具体而言，先采集存储在容器中的所述棕榈油图像，并使用Labelimg软件标注所有采集的棕榈油图像。所述YOLOv3神经网络的Batch_size(批处理大小)为8，学习率为0.001，Epoch(迭代次数)为50，并使用Adam优化器更新参数。
在其中一个实施例中，在通过用YOLOv3神经网络对存储在容器中的所述棕榈油进行目标定位前，先对所述YOLOv3神经网络进行训练，其具体方法包括如下步骤：
第一步，取500ml棕榈油样置于1000ml烧瓶中，使用恒温加热磁力搅拌器搅拌并在180℃恒温油浴加热条件下连续加热108小时，在加热过程中的0-12h、25-36h、49-60h、73-84h、97-108h五个时段中，每隔一个小时取一次样，每次取样使用2.5ml注射器取2ml样装入塑料比色皿中。
第二步，待塑料比色皿中样本冷却至室温后，每个样本采集10张图像，共采集样本图像600张。
第三步，从600张样本图像中随机选取480张作为训练集，选取120张作为测试集。
第四步，利用训练集对所述YOLOv3神经网络进行训练。
其中，所述样本图像如图2所示，其大小为640X480。所述样本图像通过样本采集装置采集而得。
所述图像采集装置包括标准光源以及数码相。为避免光照反射，将标准光源、数码相机置于黑色箱体内，使用白色样品版作为拍照背景，使用数据线连接数码相机与笔记本电脑，在笔记本电脑上利用OpenCV模块编写程序对样本进行图像采集。
经过50个Epoch的训练，所述YOLOv3神经网络得到收敛，收敛后所述YOLOv3神经网络可对样本图像中油品部分的精准定位，实验测得map(平均准确率)为100％。如图3所示，所述YOLOv3神经网络能够对存储在容器中的所述棕榈油进行精准的目标定位。
使用训练好的所述YOLOv3神经网络所述提取到的不同加热时间棕榈油颜色部分作加热时间预测模型的训练样本和测试样本，根据目标框坐标来调整棕榈油颜色定位坐标，可保证提取棕榈油样本图像不受比色皿边缘和背景的影响，以更好地对存储在容器中的所述棕榈油进行目标定位。
在其中一个实施例中，所述标准色为所述棕榈油未加热时的颜色。
在其中一个实施例中，所述色差根据CIEDE2000色差公式
计算而得，具体包括如下步骤：
第一步，计算
a*和b*分别为棕榈油图像在CIE Lab(L*a*b色空间)中的a均值和b均值。
第二步，通过公式
计算a′，C′ab和h′ab，其中，L*为棕榈油图像在CIE Lab(L*a*b色空间)中的L均值，
表示CIE1976LAB空间的a*轴的调整因子，其是彩度的函数，
是一对样品色
的算术平均。
第三步，计算明度差θL′，彩度差θC′ab，色相差θH′ab，计算公式如下：
θL′＝L′b-L′a
C′ab＝C′ab,b-C′ab,s
θh′ab＝h′ab,b-h′ab,s
式中，下标s和b分别表示要计算色差的一对颜色中的标准色和样本色。
第四步，计算SL，SC和SH，以及RT和RC。SL，SC和SH称为权重函数，其定义了椭圆半轴的长度，允许在CIELAB颜色空间中根据区域的不同进行各自的调整，以校正该空间的均匀性。计算公式如下：
RT＝-sin(2Δθ)×RT
其中，
其是由色调决定的旋转角；
其根据彩度变化旋转幅度；
以及
是一对色样L′、C′ab以及h′ab的算术平均。
第五步，选择KL，KC和KH。KL，KC和KH是与使用条件相关的校正系数，标准观测条件下规定KL＝KC＝KH＝1，条件不符时可根据工业色差评估条件来确定这些值。
第六步，将计算的参数代入公式计算色差。
在其中一实施例中，所述BP神经网络包括1层输入层、200层隐藏层和1层输出层，输入层为所述色差，输出层为棕榈油的加热时间。当所述BP神经网络的隐藏层数为200层时，所述BP神经网络的训练效果较好，其训练过程Loss值和Acc值变化如图5所示。经过100000次迭代，所述BP神经网络得到良好的收敛，Loss值为0.108，Acc值为89.1％。
将训练好的YOLOv3神经网络与BP神经网络相连接，可建立基于YYOLOv3神经网络和BP神经网络的棕榈油加热时间预测系统。先采集棕榈油样本图像，然后经过YOLOv3神经网络对样本图像中的颜色部分进行目标定位并提取颜色部分L、a、b均值，代入CIEDE2000公式计算棕榈油颜色与标准色的色差，最后把所述色差作为加热时间预测模型的输出，可准确预测棕榈油的加热时间，如图7所示。
在其中一个实施例中，如图1所示，本发明提供一种棕榈油加热时间预测方法，其包括如下步骤：
计算棕榈油颜色与标准色之间的色差；
根据所述色差预测所述棕榈油的加热时间。
其中，棕榈油颜色与标准色之间的色差通过色差计算模型计算而得，所述棕榈油的加热时间通过加热时间预测模型预测，所述色差为加热时间预测模型的输入。
在其中一个实施例中，在计算棕榈油颜色与标准色的色差之前，先通过目标检测模型对存储在容器中的所述棕榈油进行目标定位。
在其中一个实施例中，所述标准色为所述棕榈油未加热时的颜色，所述色差根据CIEDE2000色差公式计算而得。
在其中一个实施例中，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的棕榈油加热时间预测方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种棕榈油加热时间预测系统，其特征在于，包括：
色差计算模型，用于计算棕榈油颜色与标准色的色差；
加热时间预测模型，用于根据所述色差预测所述棕榈油的加热时间。
2.如权利要求1所述的一种棕榈油加热时间预测系统，其特征在于，还包括目标检测模型，所述目标检测模型用于对存储在容器中的所述棕榈油进行目标定位。
3.如权利要求2所述的一种棕榈油加热时间预测系统，其特征在于，所述加热时间预测模型为BP神经网络，所述BP神经网络的输入为所述色差，所述BP神经网络的输出为所述棕榈油的加热时间。
4.如权利要求3所述的一种棕榈油加热时间预测系统，其特征在于，所述目标检测模型为YOLOv3神经网络。
5.如权利要求4所述的一种棕榈油加热时间预测系统，其特征在于，所述标准色为所述棕榈油未加热时的颜色。
6.如权利要求5所述的一种棕榈油加热时间预测系统，其特征在于，所述色差根据CIEDE2000色差公式计算而得。
7.一种棕榈油加热时间预测方法，其特征在于，包括如下步骤：
计算棕榈油颜色与标准色之间的色差；
根据所述色差预测所述棕榈油的加热时间。
8.如权利要求7所述的一种棕榈油加热时间预测方法，其特征在于，在计算棕榈油颜色与标准色的色差之前，先对存储在容器中的所述棕榈油进行目标定位。
9.如权利要求8所述的一种棕榈油加热时间预测方法，其特征在于，所述标准色为所述棕榈油未加热时的颜色，所述色差根据CIEDE2000色差公式计算而得。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述权利要求7至9中任意一项所述的棕榈油加热时间预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110052010.XA CN112861920B (zh) | 2021-01-15 | 2021-01-15 | 一种棕榈油加热时间预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110052010.XA CN112861920B (zh) | 2021-01-15 | 2021-01-15 | 一种棕榈油加热时间预测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112861920A true CN112861920A (zh) | 2021-05-28 |
| CN112861920B CN112861920B (zh) | 2024-06-14 |
Family
ID=76006411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110052010.XA Active CN112861920B (zh) | 2021-01-15 | 2021-01-15 | 一种棕榈油加热时间预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861920B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1510056A (en) * | 1975-03-22 | 1978-05-10 | Asahi Denka Kogyo Kk | Process for refining palm oil |
| CA2011307A1 (en) * | 1989-03-02 | 1990-09-02 | Michael M. Blumenthal | Method and apparatus for determining non-triglycerides in oils |
| JP2006316254A (ja) * | 2005-04-13 | 2006-11-24 | J-Oil Mills Inc | 加熱着色を抑制したパーム油類およびその製造方法 |
| JP2016151768A (ja) * | 2015-02-19 | 2016-08-22 | オーセ プリンティング システムズ ゲゼルシャフト ミット ベシュレンクテル ハフツング ウント コンパニー コマンディートゲゼルシャフトＯｃｅ Ｐｒｉｎｔｉｎｇ Ｓｙｓｔｅｍｓ ＧｍｂＨ ＆ Ｃｏ． ＫＧ | 着色液により記録担体をディジタル印刷する方法および装置 |
| CN107072227A (zh) * | 2014-10-31 | 2017-08-18 | Cj第制糖株式会社 | 含抗氧化剂的提取物乳化油、含其的厨用油及其制备方法 |
| CN109141640A (zh) * | 2018-08-03 | 2019-01-04 | 深圳市销邦科技股份有限公司 | 基于机器视觉的色差检测方法、系统、设备及存储介质 |
| CN109409588A (zh) * | 2018-10-11 | 2019-03-01 | 江南大学 | 一种用于预测食用油脂返色的方法 |
| CN110108362A (zh) * | 2019-04-17 | 2019-08-09 | 江苏理工学院 | 基于slic超像素分割的色差自适应在线检测方法及装置 |
| CN110199297A (zh) * | 2017-01-11 | 2019-09-03 | 伊耐斯克泰克-计算机科学与技术系统工程研究所 | 用于颜色相似度评估的方法和设备 |
| JP2019194522A (ja) * | 2018-04-30 | 2019-11-07 | 愛知電機株式会社 | 色見本・色差基準の作製方法及び色差基準を使用した油入電気機器の劣化診断方法 |
-
2021
- 2021-01-15 CN CN202110052010.XA patent/CN112861920B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1510056A (en) * | 1975-03-22 | 1978-05-10 | Asahi Denka Kogyo Kk | Process for refining palm oil |
| CA2011307A1 (en) * | 1989-03-02 | 1990-09-02 | Michael M. Blumenthal | Method and apparatus for determining non-triglycerides in oils |
| JP2006316254A (ja) * | 2005-04-13 | 2006-11-24 | J-Oil Mills Inc | 加熱着色を抑制したパーム油類およびその製造方法 |
| CN107072227A (zh) * | 2014-10-31 | 2017-08-18 | Cj第制糖株式会社 | 含抗氧化剂的提取物乳化油、含其的厨用油及其制备方法 |
| JP2016151768A (ja) * | 2015-02-19 | 2016-08-22 | オーセ プリンティング システムズ ゲゼルシャフト ミット ベシュレンクテル ハフツング ウント コンパニー コマンディートゲゼルシャフトＯｃｅ Ｐｒｉｎｔｉｎｇ Ｓｙｓｔｅｍｓ ＧｍｂＨ ＆ Ｃｏ． ＫＧ | 着色液により記録担体をディジタル印刷する方法および装置 |
| CN110199297A (zh) * | 2017-01-11 | 2019-09-03 | 伊耐斯克泰克-计算机科学与技术系统工程研究所 | 用于颜色相似度评估的方法和设备 |
| JP2019194522A (ja) * | 2018-04-30 | 2019-11-07 | 愛知電機株式会社 | 色見本・色差基準の作製方法及び色差基準を使用した油入電気機器の劣化診断方法 |
| CN109141640A (zh) * | 2018-08-03 | 2019-01-04 | 深圳市销邦科技股份有限公司 | 基于机器视觉的色差检测方法、系统、设备及存储介质 |
| CN109409588A (zh) * | 2018-10-11 | 2019-03-01 | 江南大学 | 一种用于预测食用油脂返色的方法 |
| CN110108362A (zh) * | 2019-04-17 | 2019-08-09 | 江苏理工学院 | 基于slic超像素分割的色差自适应在线检测方法及装置 |
Non-Patent Citations (7)
| Title |
|---|
| DE ALZAA F 等: "Evaluation of Chemical and Physical Changes in Different Commercial Oils during Heating", 《ACTA SCIENTIFIC NUTRITIONAL HEALTH》, pages 1 - 10 * |
| XU LI 等: "Model prediction of color reversion of soybean oil and its quantitative relationship with oxidation under accelerated conditions", 《LWT - FOOD SCIENCE AND TECHNOLOGY》, pages 143 - 153 * |
| ZELONG ZHUANG 等: "Predicting the Heating Time of Palm oil using Optimal Selection of Color Parameters and Machine Learning", 《PROCEEDINGS OF THE 2021 4TH ARTIFICIAL INTELLIGENCE AND CLOUD COMPUTING CONFERENCE》, pages 186 - 193 * |
| ZHAO YING 等: "Prediction of Reheating Time of Edible Oil Based on Shifted Excitation Raman Difference Spectroscopy", 《JOURNAL OF NUCLEAR AGRICULTURAL SCIENCES》, pages 2034 - 2041 * |
| 史润鸽: "牡丹籽油热氧化成分变化规律研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, pages 024 - 214 * |
| 张林 等: "用色差计测定食用油色泽及控制菜油脱色工艺的探讨", 《天津轻工业学院学报 》 * |
| 陈慰宗 等: "食用油介电常数随加热时间和温度变化的实验", 《西北大学学报(自然科学版)》, vol. 30, no. 4, pages 1 - 3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112861920B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Classification of weed seeds based on visual images and deep learning | |
| JPWO2011162213A1 (ja) | 微生物検出方法、微生物検出装置及びプログラム | |
| Ghasemi-Varnamkhasti et al. | Application of image analysis combined with computational expert approaches for shrimp freshness evaluation | |
| Asmara et al. | Chicken meat freshness identification using the histogram color feature | |
| Hai-ling et al. | Research on the discrimination of hatching eggs activity based on thermal imaging: A food nondestructive testing practice | |
| Yudhana et al. | Fish Freshness Identification Using Machine Learning: Performance Comparison of k-NN and Naïve Bayes Classifier. | |
| CN113420614A (zh) | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 | |
| Arunachalam et al. | Real-time plant phenomics under robotic farming setup: A vision-based platform for complex plant phenotyping tasks | |
| Pramudhita et al. | Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture | |
| Alom et al. | Species classification of brassica napus based on flowers, leaves, and packets using deep neural networks | |
| Srivastava et al. | Machine-vision based handheld embedded system to extract quality parameters of citrus cultivars | |
| Zhihong et al. | Smartphone-based visual measurement and portable instrumentation for crop seed phenotyping | |
| CN112861920A (zh) | 一种棕榈油加热时间预测系统及方法 | |
| CN110766665A (zh) | 基于强监督算法和深度学习网络的舌象数据分析方法 | |
| Kang et al. | Dental plaque quantification using mean-shift-based image segmentation | |
| CN114305349B (zh) | 利用猪只感温变色耳标的温度检测方法及系统 | |
| Ji et al. | Apple color automatic grading method based on machine vision | |
| CN112766187B (zh) | 一种菜籽油加热时间预测系统及方法 | |
| Poleshchenko et al. | On the Segmentation of Sunflower Plants in UAV Photos | |
| WO2022044673A1 (ja) | 画像処理装置、検査システムおよび検査方法 | |
| CN115754184A (zh) | 一种鲑鱼土腥味快速检测系统及方法 | |
| Xie et al. | Sugarcane stem node identification algorithm based on improved YOLOv5 | |
| US20220051154A1 (en) | Method and apparatus for measuring plant trichomes | |
| Cano-Lara et al. | Tomato quality assessment and enhancement through Fuzzy Logic: A ripe perspective on precision agriculture | |
| Bütüner et al. | Machine Learning-Based Detection and Severity Assessment of Sunflower Powdery Mildew: A Precision Agriculture Approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |